典型文献
基于ALIF和1DCNN的滚动轴承故障诊断方法
文献摘要：
在滚动轴承的故障信号中,由于存在较多冗余信息成分的问题,会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰,为此,提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法,即先对原始信号分解重构,再进行分类的智能故障诊断方法.首先,使用ALIF对原始信号进行了分解,其算法相较于其他信号分解算法有较少的模态混叠现象,这得益于保持其原始物理意义中,并最大程度地提取其表征信息,提高其故障诊断正确率;然后,使用了皮尔逊相关系数法选择与原始信号相关最大的本征模函数(IMF)进行了重构,得到了冗余信号较少的信号;最后,直接将处理后的数据作为1DCNN的输入,进行了智能故障诊断.研究结果表明:在对滚动轴承的4种故障状态进行分类的准确度方面,相较于原始方法,基于ALIF和1DCNN的方法准确度提高了 8％,其分类准确度达到99％;仿真信号证明了 ALIF分解性能的优越性,采用实验台采集的实际数据验证了该方法的先进性.
文献关键词：
自适应局部迭代滤波;一维卷积神经网络;信号分解重构;故障分类;冗余信息成分;模态混叠;故障诊断准确率
中图分类号：
作者姓名：
聂勇军;孟金;肖英楠
作者机构：
广州航海学院机械工程系,广东广州510725;四川交通职业技术学院,四川成都611130;成都理工大学工程技术学院,四川乐山614000
文献出处：
引用格式：
[1]聂勇军;孟金;肖英楠-.基于ALIF和1DCNN的滚动轴承故障诊断方法)[J].机电工程,2022(10):1390-1397
A类：
冗余信息成分,自适应局部迭代滤波算法,信号分解重构
B类：
ALIF,1DCNN,滚动轴承故障诊断,故障诊断方法,故障信号,多冗余,一维卷积神经网络,智能故障诊断,模态混叠,物理意义,诊断正确率,皮尔逊相关系数,相关系数法,本征模函数,IMF,故障状态,实验台,实际数据,数据验证,故障分类,故障诊断准确率
AB值：
0.186663
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
